

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
1、高光譜圖像包含豐富的光譜信息,在物體分類方面有著重要的應用前景。由于高光譜圖像數(shù)據(jù)比較大,分類算法比較復雜,現(xiàn)有的分類算法在串行模式下執(zhí)行速度比較慢,很難在實時性要求比較高的場景中得到推廣。近年來,GPU以其低成本高計算能力的特性,為高光譜圖像快速分類提供了有效途徑。
高光譜圖像中相鄰波段高度相關,冗余的信息加重了計算負擔,降維方法的引入能有效減少冗余信息,但會增加分類算法的復雜度。在光譜信息中融合空間信息,能有效改善分類精度
2、,但引入空間特征,會使數(shù)據(jù)變得龐大,加大了計算量和復雜度。在高光譜圖像處理中,提高分類算法精度并且又能提供快速執(zhí)行的解決方案是一個重要的研究方向。本文通過GPU并行加速降維算法、空間特征提取算法和分類算法,在較高分類精度的前提下實現(xiàn)了快速分類,主要內(nèi)容如下:
第一,根據(jù)高光譜圖像和GPU的特點及應用場景,調(diào)研了國內(nèi)外高光譜圖像分類和基于GPU的高光譜圖像處理技術的研究現(xiàn)狀。為后續(xù)分類算法和空間特征引入選型提供了理論基礎。接著詳
3、細介紹了GPU的硬件架構(gòu)及優(yōu)化措施,為后續(xù)算法的并行實現(xiàn)提供技術支撐。
第二,在GPU上實現(xiàn)了光譜和空間特征提取算法。光譜特征提取使用LPE算法,用于提取信息豐富且最不同的波段,空間特征提取使用LBP算法,用于提取局部紋理信息。通過在真實的高光譜數(shù)據(jù)集中,快速實現(xiàn)了特征提取過程。
第三,在GPU上實現(xiàn)了加權協(xié)作表示分類的算法。與傳統(tǒng)的串行程序比較,該方案在保證分類精度的情況下取得了較高的加速比。之后把并行優(yōu)化后的算法
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于GPU的高光譜圖像分類與目標檢測.pdf
- 高光譜圖像分類的GPU并行優(yōu)化研究.pdf
- 高光譜圖像NRS分類算法GPU加速研究.pdf
- 基于圖像融合的高光譜圖像分類.pdf
- 基于圖像融合的高光譜遙感圖像分類研究.pdf
- 基于高光譜圖像的雜草分類研究.pdf
- 基于分類精度預測的高光譜圖像分類研究.pdf
- 高光譜圖像分類研究.pdf
- 基于遷移學習的高光譜圖像分類.pdf
- 基于集成學習的高光譜圖像分類.pdf
- 基于遷移學習的高光譜圖像分類
- 基于稀疏表達的高光譜圖像分類研究.pdf
- 基于案例推理的高光譜圖像分類研究.pdf
- 基于LSTSVM的高光譜圖像分類方法研究.pdf
- 基于高斯過程的高光譜圖像分類研究.pdf
- 基于遞歸網(wǎng)絡的高光譜圖像分類.pdf
- 基于高斯過程分類器的高光譜圖像分類.pdf
- 基于空譜聯(lián)合的高光譜圖像分類研究.pdf
- 基于神經(jīng)網(wǎng)絡的高光譜圖像分類研究.pdf
- 基于云理論的高光譜遙感圖像分類研究.pdf
評論
0/150
提交評論